Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
Diterbitkan olehFachri Yulianti Telah diubah "9 tahun yang lalu
1
Pengenalan Pola Berbasis Neural Network - EL 424
Budi Rahardjo Jurusan Teknik Elektro ITB
2
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Intro Kuliah ini merupakan bagian dari kuliah pengenalan pola (pattern recognition) secara utuh. Bagian ini hanya membahas Artificial Neural Network (ANN) - Jaringan Syaraf Tiruan Dikarenakan banyak yang belum mengenal neural nets, maka kuliah akan dimulai dengan introduction v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
3
Pentingnya Neural Computing
Jenis komputasi baru yang diharapkan dapat mengatasi kelemahan sistem komputasi konvensional yang berbasis von Neumann machine. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
4
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
John Louis von Neumann Mencetuskan “von Neumann architecture” yang menjadi basis dari sisten komputer modern (saat ini) v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
5
Von Neumann architecture
Contol unit Arithmetic unit (ALU) Internal bus Intenal (main) memory Input/output unit (I/O unit) Central Processing Unit (CPU) External bus Secondary memory (magnetic wire) Teletype (keyboard/printer) CRT graphics display v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
6
Kelebihan von Neumann machines
Fast arithmetic Doing precise what the programmers programm them to do v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
7
Kelemahan von Neumann machines
Peka terhadap noise. Data struktur harus dalam format yang precise Sulit mengimplementasikan massive parallelism Tidak fault tolerant. (Misal memory rusak, program berantakan.) Sulit beradaptasi dengan keadaan v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
8
Latar Belakang Neural Computing
Melihat kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb. Melihat wajah dari sudut pandang yang belum pernah dialami sebelumnya. Bahkan anak-anak dapat melakukan hal tsb. Masih belum tahu algoritma yang digunakan. Melihat analogi biologis. Otak manusia berisi kira-kira 20 billion (210) nerve cells. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
9
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Latar belakang (2) Dipercayai bahwa kekuatan komputasi otak terletak pada hubungan antar nerve cells, hierarchical organization, firing characteristics, banyaknya jumlah hubugnan v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
10
Harapan atas Neural Comp.
Membantu dalam pemecahan masalah yang Algoritmanya tidak diketahui secara pasti memiliki banyak contoh ingin diketahui strukturnya dari contoh-contoh tsb. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
11
Arsitektur Komputasi Neural
Memiliki beberapa hal yang menarik komputasi lokal,adaptive interaction between elements paralel simple processing elements high degree of interconnections masalah sering direpresentasikan dalam struktur memungkinkan implementasi hardware (VLSI, optical) Biological computation? v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
12
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Physical Neuron (1) v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
13
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Physical Neuron (2) v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
14
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Physical Neuron (3) Komponen utama biological neuron Soma Axon (output) Dendrites (input) Synapse: hubungan axonic nerve fiber dengan soma atau dendrite dari neuron lain Sebuah neuron memiliki 1000 s/d synapes v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
15
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Aplikasi ANN Business applications predict movement of stocks marketing Other applications signature analysis (implemented in chip) Pen PC, writing -> ASCII Speech and vision recognition systems Process control v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
16
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Definisi ANN A Neural Network is an interconnected assemply of simple procesing elements / units / nodes, whose functionality is loosely based on the animal neuron. The processing ability of the network is stored in the inter-unit connection strengths, or weights, obtained by a process of adaptation to, or learnig from, a set of training patterns. K. - v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
17
Konsep Dasar Artificial Neural Computing
1 if x1*w1 + x2*w2 + x3*w3 + bias * wb > 0 0 if x1*w1 + x2*w2 + x3*w3 + bias * wb <= 0 x1 w1 x2 w2 x3 w3 Processing Unit Linear Threshold Unit wb bias input v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
18
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Konsep Dasar (2) Contoh sebelumnya: output = activation level, umumnya tidak harus begitu (ada processing lagi) Processing hanya berbentuk threshold, dimana dalam contoh menggunakan 0 (nol). Threshold bisa Perceptron, single layer v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
19
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Konsep Dasar (3) ANN sederhana dapat digunakan untuk mengklasifikasikan pola ke dalam 2 kelas Vektor input x, diberikan oleh x1, x2, … xn, adalah input stimulus yang mewakili atribut (feature). Feature: intensitas cahaya (visual) spektrum power (gelombang suara) temperatur, kelembaban (besaran fisik lainnya) umur, penghasilan, pengeluaran (pemohon kredit) v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
20
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Perceptron Learning rule Change the weigth by an amount proportional to the difference between the desired output and the actual output wi = Є * (D-Y) Ii Є = learning rate D = desired output Y = actual output v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
21
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Perceptron (2) Setelah stabil, (D-Y) = 0 Hasilnya (untuk 2 input): decision surface line I1 = (w0 / w1) . I0 + (wb / w1) I1 I0 v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
22
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Processing Unit Menentukan output berdasarkan activation level Threshold Sigmoid function Gaussian v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
23
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Processing Unit (2) Sigmoid function dengan berbagai harga k v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
24
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Multi-Layer x1 x2 x3 bias input layer hidden layer output layer v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
25
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Learning Hebbian rule Jika dua cells fire pada saat yang bersamaan, hubungan antar keduanya (strength of connection) harus ditingkatkan. Macam-macam caranya, misalnya meningkatkan bobot hubungan berdasarkan activation level wij = Є ai aj v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
26
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Learning (2) Delta rule: Ubah weight sesuai sehingga mengurangi kesalahan (perbedaan antara activation level yang diinginkan dan yang diperoleh). Sering juga disebut Widrow-Hoff (1960) learning rule atau Least Mean Square (LMS) rule. wij = Є ei aj error for unit i: ei = tj - aj v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
27
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Learning (3) Contoh halaman buku PDP Solusi dapat terjadi jika ada set dari weights yang memecahkan solusi itu. Syaratnya adalah yang disebut linear predictability constraints v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
28
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Hidden Units Sebelumnya telah dibahas pattern associator, dan delta rule. Jika output berupa linear threshold unit, maka disebut perceptron. Jika pure linear, disebut Least Mean Square (LMS) associator. Ada theorems: pattern classification. Input bisa diklasifikasikan menjadi dua kelas. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
29
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Hidden Units (2) Perceptron learning rule: Net input = sum dari wi ii Jika net > threshold, unit turn on Respon dibandingkan. Jika kategori betul, no change Jika output turn on padahal mestinya 0, maka threshold + 1. Jika input ii = 0, tidak ada perubahan wi, tapi jika ii =1, maka wi dikurangi 1. Jika output turn off padahal mestinya 1, maka sebaliknya, threshold dikurangi and weight ditambah. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
30
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Hidden Units (3) Minsky & Papert (1969) membunuh Perceptron dengan contoh bahwa sistem ini tidak dapat memecahkan masalah XOR Inequalities yang harus dipecahkan: pp. 123 Tidak linearly separable di dua dimensi Harus menggunakan 3 dimensi v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
31
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Hidden Units Ada unit yg tidak terhubung ke input/output Bagaimana cara belajarnya? v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
32
Minimizing Mean Square Error
LMS procedure, latar belakang Error function, must be minimized. Setelah setiap pattern dipresentasikan, error dari pattern dihitung, dan weigh di “moved down” mengikuti error gradient mendekati harga minimum untuk pattern tersebut. v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
33
Minimizing Mean Square Error
Gradient Decent: make a change in the weight proportional to the negative dreivative of the error, as measured on the current pattern with respect to each weignt v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
34
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
35
EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Referensi Buku James L. McCLelland and David E. Rumelhart, “Explorations in Parallel Distributed Processing,” MIT Press, ISBN: X(pbk.) Introduction v1.1 EL-424 Pengenalan Pola dengan Neural Nets - Budi Rahardjo
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.